Voici la traduction du texte en français, respectant le style formel et académique requis :Les progrès récents réalisés dans le domaine des agents alimentés par des LLM ont démontré un potentiel significatif dans la génération de réponses proches de celles des humains ; cependant, ces agents continuent de se heurter à des difficultés pour maintenir des interactions à long terme au sein d'environnements complexes, principalement en raison de limitations liées à la cohérence contextuelle et à la personnalisation dynamique. Les systèmes de mémoire existants reposent souvent sur un regroupement sémantique préalable à la récupération, procédé qui peut conduire à négliger des informations utilisateur critiques bien que sémantiquement non pertinentes, tout en introduisant du bruit lors de l'extraction. Dans ce rapport, nous proposons la conception initiale d'O-Mem, un nouveau framework de mémoire fondé sur le profilage actif des utilisateurs (active user profiling), qui extrait et met à jour dynamiquement les caractéristiques des utilisateurs ainsi que les enregistrements d'événements issus de leurs interactions proactives avec les agents. O-Mem prend en charge la récupération hiérarchique des attributs de persona et du contexte thématique, permettant ainsi des réponses personnalisées plus adaptatives et cohérentes. O-Mem obtient un score de 51,67 % sur le benchmark public LoCoMo, ce qui représente une amélioration de près de 3 % par rapport à LangMem, le précédent état de l'art, et atteint 62,99 % sur PERSONAMEM, soit une amélioration de 3,5 % par rapport à A-Mem, l'ancien état de l'art. O-Mem accroît également l'efficacité en termes de gestion des tokens et de temps de réponse aux interactions par rapport aux frameworks de mémoire antérieurs. Nos travaux ouvrent des perspectives prometteuses pour le développement futur d'assistants IA personnalisés, efficaces et au comportement plus humain.